协同进化遗传算法理论及应用(巩敦卫,孙晓燕著)思维导图

进化计算的主要分支
进化计算是一种模拟自然进化过程的计算方法，它的主要分支包括以下几种：
1. 遗传算法（Genetic Algorithm，GA）：遗传算法是进化计算中最经典和广泛应用的方法之一。

它基于生物进化的遗传原理，通过模拟基因的交叉、变异和选择等操作，来优化问题的解。

2. 进化策略（Evolution Strategies，ES）：进化策略是一种基于种群的搜索方法，它通过个体的变异和选择来更新种群，以找到最优解。

与遗传算法不同，进化策略通常不使用交叉操作。

3. 遗传编程（Genetic Programming，GP）：遗传编程是一种基于树结构的进化计算方法，它用于解决问题的编程任务。

个体在遗传编程中表示为树状结构，通过遗传操作和适应度评估来优化程序的性能。

4. 协同进化（Coevolution）：协同进化是指多个物种或多个智能体在相互作用和共同演化的环境中进行进化。

它可以应用于多目标优化、生态系统建模等领域。

5. 免疫算法（Immunological Algorithm，IA）：免疫算法是一种受生物免疫系统启发的计算方法，它利用免疫机制来实现优化和问题求解。

6. 粒子群优化（Particle Swarm Optimization，PSO）：粒子群优化是一种基于群体智能的优化算法，它模拟鸟群或鱼群的行为，通过个体之间的协作和竞争来寻找最优解。

这些分支在不同的应用领域和问题类型中都有广泛的应用，并且不断有新的分支和改进方法涌现。

进化计算的优点包括全局搜索能力、适应性和鲁棒性等，使其成为解决复杂优化问题的有效工具。

《遗传算法原理及应用》课程教学大纲课程名称：遗传算法原理及应用课程类别：任意选修课适用专业：电子信息工程考核方式：考查总学时、学分：24学时1.5学分一、课程性质、教学目标遗传算法原理及应用是电子信息工程专业的一门任意选修课。

通过本门课的学习，要求学生理解基本遗传算法的特点、思想及其实现过程，了解GA的发展及其应用，熟悉MATLAB遗传算法工具箱函数及其初步应用，并不断提高分析和解决具体问题的能力。

该课程主要包括基本遗传算法，遗传算法的基本、高级实现技术，并行遗传算法，遗传算法的数学理论及应用等。

本门课程与《数字图像处理》、《人工神经网络》、《机器学习与应用》等专业选修课程内容具有较强的相关性和融合性。

其具体的课程教学目标为：课程教学目标1：了解遗传算法的特点、发展及应用。

课程教学目标2：理解GA的基本实现方法以及一些高级实现技术。

理解模式和模式定理；了解评价遗传算法的一些常用测试函数。

课程教学目标3：了解遗传算法在数值函数优化、多目标优化、装箱、旅行商等问题中的应用。

课程教学目标与毕业要求对应的矩阵关系二、课程教学要求遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。

通过本课程的学习，使学生了解遗传算法的生物学基础、特点、发展及应用；理解SGA、GA的一些基本及高级实现技术；掌握模式的概念和模式定理的含义；了解进行遗传算法评价的常用测试函数，SGA的收敛性分析；了解遗传算法在多领域中的应用。

三、先修课程高等数学、算法与数据结构、计算机基础与应用、计算机仿真（Matlab和Multisim）等。

四、课程教学重、难点教学重点：遗传算法的各种基本编码方法、适应度函数、选择算子、交叉算子、变异算子；教学难点：GA倒位算子及二倍体显性操作算子的基本实现； GA 的运行参数和约束条件的处理方法；变长度染色体遗传算法、小生境遗传算法和混合遗传算法的基本思想。

五、课程教学方法与教学手段本课程以课堂讲授、讨论、交流为主，课下自学为辅。

一种求解TSP问题的协同进化算法作者：魏士伟来源：《智能计算机与应用》2019年第05期摘要：传统的遗传算法GA在求解TSP问题时容易出现早熟和陷入局部最优等现象。

为此本文提出了一种基于协同进化的遗传算法（CEGA）用于解决GA算法的缺陷。

该算法通过定义个体的适应度值和个体间的差异度值，将适应度值高和差异度大的个体分别放入2个不同的子群体。

在进化过程中这2个子种群相互协同进化，既保证了种群向最优解的方向移动，又保持了种群的多样性。

实验结果表明，本文所提出的算法在解决TSP问题时，具有收敛速度快、容易跳出局部最优等特点，相较其他GA算法具有更好的性能。

关键词：遗传算法;进化算法;TSP;协同进化;资源调度【Abstract】 The traditional Genetic Algorithm （GA） is more prone to be of premature convergence and fall into local optimums when solving TSP problems. In order to overcome these defects， a new Co-Evolution based Genetic Algorithm （CEGA） is proposed is this paper. By defining the fitness value of individuals and the difference value between individuals， this new algorithm puts individuals with high fitness values into a sub-population and put individuals with large differences into another sub-population. These two sub-populations coevolves with each other during the evolution process， which not only ensures the movement of the whole population towards the optimal value， but also maintains the diversity of the population. The experimental results show that the algorithm proposed in this paper has characteristics of fast convergence and being easy to jump out of local optimums when solving TSP problems. The research demonstrates that the proposed algorithm has better performance than other GA algorithms.【Key words】 ;Genetic Algorithm; evolutionary algorithm; TSP; Co-Evolution; resource scheduling1 概述旅行商問题（Traveling Salesman Problem，TSP）是图论中一个著名的组合优化问题。

协同理论协同论（synergetics）亦称“协同学”或“协和学”，是20世纪70年代以来在多学科研究基础上逐渐形成和发展起来的一门新兴学科，是系统科学的重要分支理论。

其创立者是联邦德国斯图加特大学教授、著名物理学家哈肯（Hermann Haken）。

1971年他提出协同的概念，1976年系统地论述了协同理论，发表了《协同学导论》，还著有《高等协同学》等等。

简介协同论主要研究远离平衡态的开放系统在与外界有物质或能量交换的情况下，如何通过自己内部协同作用，自发地出现时间、空间和功能上的有序结构。

协同论以现代科学的最新成果——系统论、信息论、控制论、突变论等为基础，吸取了结构耗散理论的大量营养，采用统计学和动力学相结合的方法，通过对不同的领域的分析，提出了多维相空间理论，建立了一整套的数学模型和处理方案，在微观到宏观的过渡上，描述了各种系统和现象中从无序到有序转变的共同规律。

协同理论协同论是研究不同事物共同特征及其协同机理的新兴学科，是近十几年来获得发展并被广泛应用的综合性学科。

它着重探讨各种系统从无序变为有序时的相似性。

协同论的创始人哈肯说过，他把这个学科称为“协同学”，一方面是由于我们所研究的对象是许多子系统的联合作用，以产生宏观尺度上结构和功能；另一方面，它又是由许多不同的学科进行合作，来发现自组织系统的一般原理。

客观世界存在着各种各样的系统；社会的或自然界的，有生命或无生命的，宏观的或微观的系统等等，这些看起来完全不同的系统，却都具有深刻的相似性。

协同论则是在研究事物从旧结构转变为新结构的机理的共同规律上形成和发展的，它的主要特点是通过类比对从无序到有序的现象建立了一整套数学模型和处理方案，并推广到广泛的领域。

它基于“很多子系统的合作受相同原理支配而与子系统特性无关”的原理，设想在跨学科领域内，考察其类似性以探求其规律。

哈肯在阐述协同论时讲道：“我们现在好像在大山脚下从不同的两边挖一条隧道，这个大山至今把不同的学科分隔开，尤其是把‘软’科学和‘硬’科学分隔开。